复杂环境下黄花菜识别的YOLOv7-MOCA模型

作者：靳红杰; 马顾彧; 唐梦圆; 陈婧美; 张银萍; 葛学峰^*

来源：农业工程学报, 2023, 39(15): 181-188.

• 识别
• 智能化
• 模型
• 黄花菜
• 复杂环境
• YOLOv7
• MobileOne网络
• 注意力机制

黄花菜是极具营养价值和经济效益的一种农作物，深受人们喜爱。目前黄花菜采摘大都是人工采摘，采摘效率低、人工成本较高，在设计黄花菜自动采摘机器人的过程中，复杂环境下黄花菜的目标识别是实现智能化采摘的核心问题。该研究建立了包含12 000幅黄花菜样本的数据库,比较了YouOnlyLookOnce(YOLOv7)、 FasterRegion Convolutional Neural Networks(Faster R-CNN)和Single Shot MultiBox Detector(SSD)三种模型的检测效果，提出一种基于改进YOLOv7目标检测算法的复杂环境下黄花菜识别的YOLOv7-MOCA模型，使用MobileOne网络作为主干特征提取网络，构建了一种轻量化网络模型，并在颈部网络中融合Coordinate Attention注意力机制改善对样本的检测效果。试验结果表明，YOLOv7-MOCA模型检测准确率为96.1%，召回率为96.6%,F1值为0.96，权重为10 MB，帧速率为58帧/s。较YOLOv7检测速度提高了26.1%，权重减少了86.7%，该研究所提出的YOLOv7-MOCA模型检测准确率等参数均大幅提升。该模型可以实现黄花菜的快速识别，模型权重小，识别速度快，为黄花菜智能化采摘设备研究提供技术支撑。

• 单位
  南京师范大学; 南京邮电大学